Eine zuverlässige Prognose von Liquidität, Forderungen und Verbindlichkeiten ist für die finanzielle Steuerung von Unternehmen von zentraler Bedeutung. In der Praxis sind Forecasting-Prozesse jedoch häufig dezentral organisiert, historisch gewachsen und stark von manuellen Arbeitsschritten geprägt. Unterschiedliche Methoden, Datenquellen und lokale Vorgehensweisen erschweren die Vergleichbarkeit der Forecasts und begrenzen die Transparenz sowie die Steuerungsfähigkeit auf Unternehmensebene.

Zur Untersuchung wurden theoretische Grundlagen zum Working-Capital- und Cashflow-Forecasting mit einer empirischen Analyse kombiniert. Die Arbeit umfasst qualitative Experteninterviews, die Analyse historischer Forecast-Abweichungen sowie die praktische Erprobung von KI-gestützten Analysewerkzeugen auf Basis realer Transaktions- und Finanzdaten. Ziel war es, bestehende Schwachstellen zu identifizieren, relevante Forecast-Treiber zu bestimmen und das Potenzial datengetriebener Prognoseansätze zu bewerten.

Die Untersuchung zeigt, dass die Prognosequalität nicht nur von der gewählten Methode, sondern insbesondere von Datenqualität, Prozessgestaltung und einer klaren Definition der Zielgrössen abhängt. Forecast-Abweichungen werden häufig durch unterschiedliche Datenstrukturen und operative Sondereffekte beeinflusst.Die praktische Erprobung von KI-gestützten Werkzeugen zeigt, dass diese grundsätzlich Potenzial für Forecasting-Anwendungen besitzen, unter realen Bedingungen jedoch an Grenzen stossen können. Herausforderungen bestehen insbesondere bei komplexen Datenstrukturen und der Verarbeitung grosser Datenmengen. Gleichzeitig konnten zentrale Einflussgrössen identifiziert werden, welche die Entwicklung von Forderungen und Verbindlichkeiten beeinflussen.Auf Basis der Ergebnisse werden Handlungsempfehlungen für die Weiterentwicklung des Forecastings abgeleitet. Im Vordergrund stehen die Standardisierung von Prozessen, die Verbesserung der Datenqualität und der Aufbau einer Datenbasis für zukünftige datengetriebene Prognosemodelle. Insgesamt zeigt die Arbeit, dass nachhaltige Verbesserungen nur durch das Zusammenspiel von Technologie, Daten und Prozessen erreicht werden können.